Mô hình Rough Bergomi
Rough Bergomi giải thích một điều đã khiến các trader băn khoăn suốt nhiều năm: vì sao smile kỳ hạn ngắn lại dốc đến vậy? Câu trả lời hóa ra là đường đi của biến động trên thị trường thực lởm chởm hơn nhiều so với giả định của các mô hình cổ điển. Khi bạn đo "độ thô" (roughness) của biến động thực tế ở BTC, ETH hay S&P 500, bạn sẽ thấy nó thô hơn nhiều so với bất cứ thứ gì mà Heston hay SABR có thể tạo ra.
Mô hình này không được dùng để khớp bề mặt theo thời gian thực -- nó quá chậm. Giá trị của nó nằm ở lý thuyết: nó cho bạn biết vì sao bề mặt biến động có hình dạng như vậy, và mang lại trực giác đúng đắn khi khớp các mô hình thực dụng như SVI cho quyền chọn crypto kỳ hạn ngắn. Các mẫu hình biến động ngụ ý mà nó giải thích đều có thể quan sát thấy trên mọi thị trường quyền chọn có thanh khoản.
Nhận định về độ thô
Đo trên cổ phiếu, FX và crypto, đường đi của biến động đều lởm chởm hơn nhiều so với giả định của các mô hình tiêu chuẩn. Độ thô này tự nhiên tạo ra skew kỳ hạn ngắn dốc đúng như quan sát trên thị trường -- không cần bước nhảy hay tham số cực đoan.
Tương tác: Độ thô và Skew
Hãy dùng thanh trượt bên dưới để xem cả hai tác động của tham số độ thô (H). Bảng bên trái cho thấy H càng thấp thì đường đi càng lởm chởm và bất thường. Bảng bên phải cho thấy độ thô đó chuyển thành skew kỳ hạn ngắn dốc hơn như thế nào.
Trình khám phá quỹ đạo gồ ghề
Độ gồ ghề của quỹ đạo
Skew ATM theo kỳ hạn (log-log)
Kéo thanh trượt để thay đổi H. H thấp hơn tạo ra quỹ đạo răng cưa hơn (bên trái) và skew kỳ hạn ngắn dốc hơn (bên phải). Tại H=0.5, quỹ đạo là chuyển động Brown chuẩn và skew tuân theo mức suy giảm cổ điển T^(-0.5).
"Thô" nghĩa là gì
Các mô hình cổ điển như Heston cho biến động những đường đi mượt mà, uốn lượn nhẹ nhàng -- giống như một dòng sông. Rough Bergomi cho biến động những đường đi lởm chởm, giống như đường bờ biển. Đây không phải là một lựa chọn mô hình -- đó là điều dữ liệu cho thấy khi bạn đo đường đi của biến động thực tế ở tần suất cao.
Độ thô được điều khiển bởi một con số duy nhất: tham số Hurst H. H thấp hơn = đường đi thô hơn = skew kỳ hạn ngắn dốc hơn.
H gần 0.1 là sự thật, không phải lựa chọn
Các nhà nghiên cứu đều tìm thấy H gần 0.1 dù họ đo S&P 500, từng cổ phiếu riêng lẻ, BTC hay ETH. Chính dữ liệu cho thấy đường đi của biến động là thô. Mô hình được xây dựng dựa trên những gì dữ liệu thể hiện.
Quy luật lũy thừa của skew ATM
Tham số độ thô H điều khiển cách skew ATM suy giảm từ kỳ hạn ngắn đến kỳ hạn dài. Với H gần 0.1, skew kỳ hạn ngắn dốc và phẳng dần khi kỳ hạn dài ra. Chỉ một tham số này giải thích toàn bộ cấu trúc kỳ hạn của skew từ 1 ngày đến 1 năm -- ở cả crypto lẫn cổ phiếu.
Các mô hình khuếch tán cổ điển (Heston, SABR) sai một cách có hệ thống ở điểm này: skew ATM của chúng tiến về một hằng số khi ngày đáo hạn thu ngắn lại, nên chúng đánh giá thấp skew ở kỳ hạn 1 ngày, trừ khi đẩy tham số đến mức cực đoan và làm méo các kỳ hạn dài hơn. Rough Bergomi với H gần 0.1 giải quyết được cả hai. Khung Black-Scholes hoàn toàn không thể nắm bắt hành vi lũy thừa này.
Giải thích skew kỳ hạn ngắn dốc
Rough Bergomi giải thích vì sao skew kỳ hạn ngắn lại dốc như vậy. Đây là một nhận định lý thuyết, không phải công cụ dùng trong vận hành thực tế.
Tham số
Ba tham số tự do, cộng với đường cong phương sai kỳ hạn (forward variance curve) lấy từ dữ liệu thị trường.
Điểm mạnh và hạn chế
So sánh với các mô hình cổ điển
Vì sao nó quan trọng với crypto
Một lăng kính, không phải công cụ vận hành
Rough Bergomi giống như Black-Scholes -- không phải mô hình bạn chạy trong vận hành thực tế, mà là khung lý thuyết mang lại cho bạn ngôn ngữ và trực giác đúng đắn.
Nó giải thích vì sao smile crypto có hình dạng như vậy. Bề mặt biến động của BTC và ETH có skew kỳ hạn ngắn dốc. Rough Bergomi cho rằng: độ dốc này là hệ quả tự nhiên của đường đi biến động thô, đúng như dữ liệu thể hiện.
Nó cho bạn tiên nghiệm (prior) đúng đắn khi khớp SVI. Nếu bạn đang khớp SVI cho dữ liệu kỳ hạn ngắn thưa thớt, biến động thô cho bạn biết skew nên dốc. Quy luật lũy thừa cho bạn một kỳ vọng định lượng về cách skew thay đổi qua các ngày đáo hạn. Rất hữu ích khi dữ liệu mỏng. Tại mỗi giá thực hiện, biến động ngụ ý kỳ vọng được suy ra từ độ thô của quá trình phương sai cơ sở.
Nó định hình biên giới nghiên cứu. Việc khớp mô hình biến động thô bằng deep learning, mô hình lai rough-local vol, và các biến thể rough Heston rồi có thể đủ nhanh để dùng theo thời gian thực. Hiểu khung lý thuyết ngay từ bây giờ giúp bạn nhận ra các công cụ này khi chúng xuất hiện. Các khái niệm như phòng hộ delta và mức phơi nhiễm vega vẫn giữ nguyên, nhưng việc tính toán chúng trở nên khó hơn nhiều dưới động lực học thô. Thách thức là tính các Greeks này mà không vi phạm calendar arbitrage khi ghép các lát mô phỏng lại với nhau, điều mà các cánh OTM đặc biệt nhạy cảm.
Equation Explorer
Chuyển đổi giữa biến động ngụ ý, tổng phương sai, log-moneyness và giá quyền chọn.
Trình khám phá phương trình
Tự kiểm tra
💡 Mẹo: Hãy thử trả lời từng câu hỏi trước khi xem đáp án.
Xây dựng trực giác toán học
Học Rough Bergomi từ đầuBài học tương tác · không cần kiến thức nềnBài học này bắt đầu với nhận định về biến động thô, sau đó giải thích tham số Hurst, quá trình phương sai, và vì sao độ thô tự nhiên làm dốc đầu kỳ hạn ngắn của smile.
Xem thêm:
- Mô hình SABR -- Mô hình biến động ngẫu nhiên cho động lực học smile
- Mô hình Heston -- Biến động ngẫu nhiên cổ điển với phương sai hồi quy về trung bình
- Tham số hóa SVI -- Phương pháp khớp smile thực dụng
- SSVI (Surface SVI) -- Mở rộng bề mặt không có calendar arbitrage
- Skew -- Hành vi skew thực nghiệm và cách đo lường
- Cấu trúc kỳ hạn -- Biến động thay đổi như thế nào qua các ngày đáo hạn
- Các phương pháp nội suy -- So sánh tất cả các phương pháp